ตัวควบคุมการจัดระเบียบแบบจำลองสมองน้อย ( CMAC ) เป็นเครือข่ายประสาทชนิดหนึ่งที่อิงตามแบบจำลองของสมองน้อย ของสัตว์เลี้ยงลูกด้วยนม เรียกอีกอย่างว่าตัวควบคุมการจัดระเบียบแบบจำลองสมองน้อย เป็น หน่วยความจำแบบเชื่อมโยง ชนิดหนึ่ง^{[ 2 ]}

CMAC ได้รับการเสนอครั้งแรกในฐานะตัวสร้างแบบจำลองฟังก์ชันสำหรับตัวควบคุมหุ่นยนต์โดยJames Albusในปี 1975 ^{[ 1 ]} (จึงเป็นที่มาของชื่อ) แต่ได้รับการใช้งานอย่างกว้างขวางในการเรียนรู้แบบเสริมแรงและยังใช้สำหรับการจำแนกประเภทอัตโนมัติใน ชุมชน การเรียนรู้ของเครื่อง อีกด้วย CMAC เป็นส่วนขยายของ แบบ จำลองเพอร์เซปตรอนโดยจะคำนวณฟังก์ชันสำหรับ${\displaystyle n}$มิติของข้อมูลนำเข้า พื้นที่ข้อมูลนำเข้าถูกแบ่งออกเป็นไฮเปอร์สี่เหลี่ยมผืนผ้า โดยแต่ละไฮเปอร์สี่เหลี่ยมผืนผ้าจะเชื่อมโยงกับเซลล์หน่วยความจำ เนื้อหาของเซลล์หน่วยความจำคือค่าน้ำหนัก ซึ่งจะถูกปรับเปลี่ยนระหว่างการฝึกฝน โดยปกติแล้ว จะใช้การแบ่งพื้นที่ข้อมูลนำเข้ามากกว่าหนึ่งครั้ง เพื่อให้จุดใดๆ ในพื้นที่ข้อมูลนำเข้าเชื่อมโยงกับไฮเปอร์สี่เหลี่ยมผืนผ้าจำนวนหนึ่ง และด้วยเหตุนี้จึงเชื่อมโยงกับเซลล์หน่วยความจำจำนวนหนึ่ง ผลลัพธ์ของ CMAC คือผลรวมเชิงพีชคณิตของค่าน้ำหนักในเซลล์หน่วยความจำทั้งหมดที่ถูกกระตุ้นโดยจุดข้อมูลนำเข้า

การเปลี่ยนแปลงค่าของจุดป้อนข้อมูลส่งผลให้เกิดการเปลี่ยนแปลงในชุดของไฮเปอร์สี่เหลี่ยมผืนผ้าที่ถูกกระตุ้น และด้วยเหตุนี้จึงส่งผลให้เกิดการเปลี่ยนแปลงในชุดของเซลล์หน่วยความจำที่เข้าร่วมในเอาต์พุตของ CMAC ดังนั้นเอาต์พุตของ CMAC จึงถูกจัดเก็บในลักษณะแบบกระจาย โดยที่เอาต์พุตที่สอดคล้องกับจุดใดๆ ในพื้นที่ป้อนข้อมูลจะถูกดึงมาจากค่าที่จัดเก็บไว้ในเซลล์หน่วยความจำจำนวนหนึ่ง (จึงเป็นที่มาของชื่อหน่วยความจำแบบเชื่อมโยง) ซึ่งช่วยให้สามารถสรุปผลได้

ในภาพด้านข้าง มีอินพุตสองตัวสำหรับ CMAC ซึ่งแสดงเป็นพื้นที่ 2 มิติ มีการใช้ฟังก์ชันควอนไทซ์สองฟังก์ชันเพื่อแบ่งพื้นที่นี้ด้วยตารางสองตารางที่ซ้อนทับกัน (ตารางหนึ่งแสดงด้วยเส้นที่หนากว่า) อินพุตตัวเดียวแสดงอยู่ใกล้ตรงกลาง และอินพุตนี้ได้กระตุ้นเซลล์หน่วยความจำสองเซลล์ ซึ่งสอดคล้องกับพื้นที่แรเงา หากมีจุดอื่นเกิดขึ้นใกล้กับจุดที่แสดงอยู่ จุดนั้นจะใช้เซลล์หน่วยความจำร่วมกันบางส่วน ทำให้เกิดการสรุปผลทั่วไป

CMAC ได้รับการฝึกฝนโดยการนำเสนอคู่ของจุดอินพุตและค่าเอาต์พุต และปรับน้ำหนักในเซลล์ที่เปิดใช้งานตามสัดส่วนของข้อผิดพลาดที่สังเกตได้ที่เอาต์พุต อัลกอริทึมการฝึกฝนที่เรียบง่ายนี้มีการพิสูจน์การบรรจบกัน^{[ 3 ]}

โดยปกติแล้วจะมีการเพิ่มฟังก์ชันเคอร์เนลให้กับไฮเปอร์เรคแทงเกิล เพื่อให้จุดที่ตกลงไปทางขอบของไฮเปอร์เรคแทงเกิลมีการเปิดใช้งานน้อยกว่าจุดที่อยู่ใกล้ศูนย์กลาง^{[ 4 ]}

หนึ่งในปัญหาสำคัญที่พบในการใช้งาน CMAC ในทางปฏิบัติคือขนาดหน่วยความจำที่ต้องการ ซึ่งสัมพันธ์โดยตรงกับจำนวนเซลล์ที่ใช้ โดยปกติแล้วปัญหานี้จะได้รับการแก้ไขโดยการใช้ฟังก์ชันแฮชและจัดเก็บหน่วยความจำเฉพาะสำหรับเซลล์ที่ถูกกระตุ้นด้วยอินพุตเท่านั้น

ในขั้นต้นจะใช้วิธีการกำลังสองเฉลี่ยต่ำสุด (LMS) เพื่ออัปเดตน้ำหนักของ CMAC การลู่เข้าของการใช้ LMS สำหรับการฝึก CMAC นั้นมีความไวต่ออัตราการเรียนรู้และอาจนำไปสู่การลู่เข้าไม่ได้ ในปี 2547 ^{[ 5 ]}ได้มีการนำอัลกอริทึมกำลังสองน้อยที่สุดแบบวนซ้ำ (RLS) มาใช้ในการฝึก CMAC แบบออนไลน์ ซึ่งไม่จำเป็นต้องปรับอัตราการเรียนรู้ การลู่เข้าของอัลกอริทึมนี้ได้รับการพิสูจน์ทางทฤษฎีแล้วและสามารถรับประกันได้ว่าจะลู่เข้าในขั้นตอนเดียว ความซับซ้อนในการคำนวณของอัลกอริทึม RLS นี้คือ O(N3)

จากการแยกส่วน QRอัลกอริทึม (QRLS) ได้รับการทำให้ง่ายขึ้นอีกจนมีความซับซ้อน O(N) ส่งผลให้ลดการใช้หน่วยความจำและต้นทุนเวลาลงอย่างมาก โครงสร้างอาร์เรย์ไปป์ไลน์แบบขนานในการใช้งานอัลกอริทึมนี้ได้รับการแนะนำ^{[ 6 ]}

โดยรวมแล้ว การใช้อัลกอริธึม QRLS ช่วยรับประกันการลู่เข้าของโครงข่ายประสาทเทียม CMAC และสามารถอัปเดตน้ำหนักของโหนดได้โดยใช้ขั้นตอนการฝึกเพียงขั้นตอนเดียว โครงสร้างอาร์เรย์แบบขนานของไปป์ไลน์ทำให้มีศักยภาพสูงในการนำไปใช้ในฮาร์ดแวร์สำหรับการใช้งานในอุตสาหกรรมขนาดใหญ่

เนื่องจากรูปทรงสี่เหลี่ยมผืนผ้าของ ฟังก์ชัน สนามรับสัญญาณ CMAC ทำให้เกิดการประมาณฟังก์ชันขั้นบันไดที่ไม่ต่อเนื่อง การผสาน CMAC กับฟังก์ชัน B-spline จึงทำให้ CMAC แบบต่อเนื่องมีความสามารถในการหาอนุพันธ์ลำดับใดก็ได้ของฟังก์ชันประมาณ

ในช่วงไม่กี่ปีที่ผ่านมา มีการศึกษาวิจัยจำนวนมากที่ยืนยันว่าการซ้อนโครงสร้างตื้นหลายๆ โครงสร้างเข้ากับโครงสร้างลึกเพียงโครงสร้างเดียว จะช่วยให้ระบบโดยรวมสามารถแสดงข้อมูลได้ดีขึ้น และด้วยเหตุนี้จึงสามารถจัดการกับงานที่ไม่เป็นเชิงเส้นและมีความซับซ้อนสูงได้อย่างมีประสิทธิภาพมากขึ้น ในปี 2018 ^{[ 7 ]}ได้มีการเสนอกรอบงาน CMAC แบบลึก (DCMAC) และ ได้มีการพัฒนาอัลกอริทึมการแพร่ กระจายย้อนกลับเพื่อประมาณค่าพารามิเตอร์ DCMAC ผลการทดลองของงานยกเลิกสัญญาณรบกวนแบบปรับได้แสดงให้เห็นว่า DCMAC ที่เสนอสามารถบรรลุประสิทธิภาพการยกเลิกสัญญาณรบกวนที่ดีกว่าเมื่อเปรียบเทียบกับ CMAC แบบชั้นเดียวทั่วไป

• Albus, JS (1971). " ทฤษฎีการทำงานของสมองส่วนซีรีเบลลัม ". ใน: คณิตศาสตร์ชีววิทยา , เล่มที่ 10, ฉบับที่ 1/2, กุมภาพันธ์ 1971, หน้า 25–61
• Albus, JS (1975). " แนวทางใหม่ในการควบคุมหุ่นยนต์แขนกล: ตัวควบคุมการขยับข้อต่อแบบจำลองสมองน้อย (CMAC) " ใน: วารสาร Transactions of the ASME Journal of Dynamic Systems, Measurement, and Control , กันยายน 1975, หน้า 220 – 227
• Albus, JS (1979). " กลไกการวางแผนและการแก้ปัญหาในสมอง " ใน: Mathematical Biosciences 45, หน้า 247–293, 1979.
• Iwan, L. และ Stengel, R., " การประยุกต์ใช้เครือข่ายประสาทเทียมกับตัวประมวลผลเชื้อเพลิงสำหรับเซลล์เชื้อเพลิง " ในIEEE Transactions on Vehicular Technology , Vol. 50 (1), หน้า 125-143, 2001
• Tsao, Y. (2018). " การลดเสียงรบกวนแบบปรับตัวโดยใช้ตัวควบคุมการออกเสียงแบบจำลองสมองน้อยส่วนลึก " ใน: IEEE Access 6, เมษายน 2018, หน้า 37395-37402.

• บทความเกี่ยวกับตัวควบคุมการเคลื่อนไหวของแบบจำลองสมองน้อย (CMAC)โดย Ting Qin รายละเอียดเพิ่มเติมเกี่ยวกับอัลกอริธึมการบรรจบกันแบบขั้นตอนเดียว การพัฒนาโค้ด และอื่นๆ